Advanced Statistical Analysis

Série d’exercices 4
Tests sur un paramètre
Exercice 1
Un négociant en vin s’intéresse à la contenance des bouteilles d’un cru
déterminé. Il se demande si la contenance moyenne des bouteilles fournies par
un exploitant est bien conforme à la contenance légale de 75 cl. À cet effet, il
mesure le contenu de 10 bouteilles prises au hasard dans une livraison et obtient
les valeurs suivantes (en cl) : 73,2 ; 72,6 ; 74,5 ; 75,0 ; 75,5 ; 73,7 ; 74,1 ; 75,8 ;
74,8 ; 75,0.
En supposant la normalité de la distribution du contenu et que l’écart-type
est connu et égal à 1cl, le négociant peut-il raisonnablement avoir des doutes
quant à la conformité de la contenance des bouteilles, au seuil de signi cation
de 5% ?

L’énoncé ne permet pas d’identi er explicitement la forme de l’hypothèse

alternative. Toutefois, on doit accepter l’idée que ce qui contrarierait
particulièrement le négociant en vin, c’est que le contenu des bouteilles soit
inférieur au volume spéci é sur l’étiquette, soit 75 cl. On peut donc spéci er
comme suite les hypothèses nulle et alternative du test

{H1 μ < 75.

H0 μ = 75

Nous devons ainsi effectuer un test unilatéral gauche au seuil de

signi cation de 5%. La forme de la région de non-rejet (acceptation de
l’hypothèse nulle est ainsi : R A = [−Z, + ∞[ où Z est lu dans une table de
la distribution de probabilités Normale dans la mesure où, cette la taille de
l’échantillon est inférieure à 30, mais la contenance des bouteilles est
supposée suivre une distribution de probabilités Normale.Il s’ensuit que la
distribution d’échantillonnage des moyennes calculée à partir de tous les

ADVANCED STATISTICAL ANALYSIS 1

fi

fi

fi

fi
fi
 échantillons tirés de cette population, quelle qu’en soit leur taille, est
également Normale. La valeur lue pour Z au seuil de signi cation α = 0.05
pour ce test unilatéral s’obtient à partir de la considération du schéma
suivant :

On obtient ainsi : R A = [−1.64, + ∞[.

Le rapport critique est ici donnée par :

x − μH0
RC =
σx

Avec :
σ
σx =
n

car, à défaut d’information explicite à ce sujet, le nombre de bouteilles du cru

considéré peut être supposé in ni. On obtient alors :

1
σx =
10
Dans le même temps

ADVANCED STATISTICAL ANALYSIS 2

fi

fi
 73.2 + 72.6 + 74.5 + 75.0 + 75.5 + 73.7 + 74.1 + 75.8 + 74.8 + 75.0
x= = 74.42
10
D’où
x − μH0 74.42 − 75
RC = = = − 0.58 × 10 ≈ − 1.83.
σx 1/ 10
RC = − 1.83 ∉ R A
Par conséquent, l’hypothèse nulle est rejetée. Au seuil de signi cation de
α = 5 % , sur la base des informations recueillies, le négociant en vin ne
peut pas considérer que la contenance moyenne des bouteilles du cru
considéré est égale à 75 cl. Il doit se résoudre à accepter l’idée que, en
moyenne, les bouteilles ont une contenance inférieure.

Exercice 2

Dans l’atmosphère, le taux d’un gaz nocif (en microgramme par mètre
cube d’air), pour un volume donné, suit une loi normale d’espérance et de
variance 2. 10 prélèvements d'air son effectués, qui donnent les relevés
suivants : 35,7 ; 44,4 ; 42,5 ; 65,3 ; 47,9 ; 45,4 ;42,8 ; 40,0 ; 54,6 ; 61,4
On suppose par ailleurs que 2 = 100

1. Au seuil de signi cation de 5%, peut-on conclure que le taux de gaz

nocif est égal à 50, ou moins

Le test à réaliser est explicitement un test unilatéral gauche portant sur une
moyenne

{H1 μ < 50.

H0 μ = 50

Nous devons ainsi effectuer un test unilatéral gauche au seuil de

signi cation de 5%. La forme de la région de non-rejet (acceptation de
l’hypothèse nulle est ainsi : R A = [−Z, + ∞[ où Z est lu dans une table de
la distribution de probabilités Normale car, encore une fois, bien que la taille
de l’échantillon soit inférieure à 30, le taux de gaz nocif est supposé suivre

ADVANCED STATISTICAL ANALYSIS 3

fi

𝜎
:

fi
𝜎
?

fi
𝜇
.

 une distribution de probabilités Normale.Il s’ensuit que la distribution

d’échantillonnage des moyennes calculée à partir de tous les échantillons
tirés de cette population, quelle qu’en soit leur taille, est également
Normale. La valeur lue pour Z au seuil de signi cation α = 0.05 pour ce
test unilatéral s’obtient à partir de la considération du schéma déjà observé à
l’exercice précédent

On obtient ainsi : R A = [−1.64, + ∞[.

Le rapport critique est ici donnée par :

x − μH0
RC =
σx

Avec :
σ
σx =
n

car, à défaut d’information explicite à ce sujet, le de mètres cubes d’air dans

l’atmosphère peut être considéré comme in ni. On obtient alors :

10
σx = = 10
10
Dans le même temps
35.7 + 44.4 + 42.5 + 65.3 + 47.9 + 45.4 + 42.8 + 40.0 + 53.6 + 61.4
x= = 48
10
D’où
x − μH0 48 − 50
RC = = ≈ − 0.63.
σx 10
RC = − 0.63 ∈ R A
Par conséquent, l’hypothèse nulle ne peut être rejetée. Au seuil de
signi cation de α = 5 % , sur la base des informations recueillies, on ne peut
pas rejeter l’idée selon laquelle le taux du gaz nocif dans l’air est égal à 50
microgrammes par mètre cube d’air

ADVANCED STATISTICAL ANALYSIS 4

fi

fi
fi

 2. Idem pour des seuils de signi cation de 1% et 10%

Au seuil de signi cation de 1%, la région de non-rejet de l’hypothèse nulle

devient : R A = [−2.33, + ∞[. On continue alors d’avoir
RC = − 0.63 ∈ R A, de sorte que l’hypothèse ne peut toujours pas être
rejetée.

Au seuil de signi cation de 10%, la région de non-rejet de l’hypothèse nulle

devient : R A = [−1.28, + ∞[. On continue alors d’avoir
RC = − 0.63 ∈ R A, de sorte que l’hypothèse ne peut toujours pas être
rejetée.

ADVANCED STATISTICAL ANALYSIS 5

fi
fi
fi
.

 3. Imaginons que la variance σ 2n’est pas connue, mais que 200

prélèvements d’air ont ét

La variance n’est désormais plus connue et nous devons nous référer à

l’estimation échantillonnage de la moyenne du taux de gaz nocif dans l’air
ambiant x = 51 et de la variance, dont l’estimateur corrigé est égal à
n
Sc2 = S 2 = 100 dont on tire
n−1
n−1 200 − 1 199
S 2 = 100 × = 100 × = = 99.5.
n 200 2
Le rapport critique est ici donnée par :
x − μH0
RC =
σx̂

avec :
s
σx̂ =
n−1

le facteur de correction de l’écart-type (ici estimé) de la distribution

d’échantillonnage des moyennes étant de nouveau supposé égal à 1

s 99.5
σx̂ = = ≈ 0.71
n−1 200 − 1

et :
x − μH0 51 − 50
RC = = ≈ 1.41
σx̂ 0.71

La région de non-rejet de l’hypothèse nulle reste la même qu’à la question 1,

dans la mesure où on continue de considérer un test unilatéral gauche au
seuil de signi cation de 5% et que, cette fois-ci, on peut utiliser la
distribution de probabilités Normale comme étant la distribution
approximativement suivie par la distribution d’échantillonnage des
moyennes, soit R A = [−1.64, + ∞[. De nouveau, RC = 1.41 ∈ R A et on
ne rejette pas l’hypothèse nulle selon laquelle le taux de gaz nocif est égal à
50 microgrammes par mètre cube d’air.

ADVANCED STATISTICAL ANALYSIS 6

fi
é

 Exercice 3

Les spéci cations pharmacologiques d’un médicament indiquent que chacun

de ses comprimés doit contenir en moyenne 1,5 gramme de principe actif.
100 comprimés sont choisis au hasard dans la production et la mesure Xi en
grammes de la quantité de principe actif relevé, donnant lieu aux mesures
100 100

∑ ∑
suivantes Xi = 155 and  Xi = 248
i=1 i=1

Au seuil de signi cation de 5%, peut-on dire que la production d

médicament respecte l’indication mentionnée
L’énoncé ne permet pas de déterminer la forme de l’hypothèse alternative du
test. On ne sait en outre pas si un surdosage du médicament est plus
générateur de problèmes qu’un sous-dosage ou pas. En conséquence, nous
retenons un test bilatéral :

{H1 μ ≠ 1.5
H0 μ = 1.5

La loi suivie par la teneur en principe actif n’est pas connue, mais comme
l’échantillon comprend plus de 30 comprimés, on peut faire l’hypothèse,
grâce au théorème central limite, que la distribution d’échantillonnage des
moyennes suit approximativement une distribution de probabilités Normale.
Par conséquent, au seuil de signi cation de 5%, la région de non-rejet admet
comme bornes les valeurs de − et égales respectivement à -1.96 et
+1.96 : R A = [−1.96, + 1.96]

Le rapport critique est ici donnée par :

x − μH0
RC =
σx̂

avec :
s
σx̂ =
n−1

le facteur de correction de l’écart-type (ici estimé) de la distribution

d’échantillonnage des moyennes étant de nouveau supposé égal à 1, car en

ADVANCED STATISTICAL ANALYSIS 7

fi

fi

𝑍
fi

𝑍
.

l’absence d’information sur le nombre de médicaments produits par le

laboratoire pharmaceutique, on suppose qu’il est in ni. On calcul les
estimateurs échantillonnage

1 100 155
100 ∑
x= xi = = 1.55
i=1
100

1 100 2
2 248
xi − x 2 = − 1.552 = 0.0775
100 ∑
S =
i=1
100

0.0775
Et σx̂ = ± ≈ 0.03
100 − 1

x − μH0 1.55 − 1.5

Et RC = = ≈ 1.67
σx̂ 0.03

RC = 1.67 ∈ R A et on ne peut pas rejeter, au seuil de signi cation de 5%,

sur la base des informations collectées, l’hypothèse selon laquelle la teneur
en principe actif du médicament est en moyenne de 1.5 gramme par
comprimé.

Exercice 4

Au cours de la saison 2014-2015 du TOP 14 de la Ligue Nationale de

Rugby, le buteur du Racing Club Toulonnais, Leigh Halfpenny, a réussi 77
des 102 tirs au but (pénalités et transformations) tentés, ce qui en a fait le

ADVANCED STATISTICAL ANALYSIS 8

:

fi
fi
 10ème buteur au classement. On considère d’ordinaire qu’un buteur devient
décisif dès lors qu’il détient une réussite égale à 80% sur les coups de pied
tentés.

1. Au seuil de signi cation de 5%, que peut-on dire concernant Leigh

Halfpenny, si on considère que la saison 2014-2015 a été pour lui une
saison représentative de l’ensemble des saisons qu’il disputera dans sa
carrière

Il est demandé ici de déterminer si Leigh Halfpenny peut être considéré

comme un buteur décisif ou non. Le test prend ainsi la forme d’un test
unilatéral gauche :

{H1 π < 80 %
H0 π = 80 %

Où π est considéré comme étant le taux de réussite (historique) de ce buteur

La loi suivie par le taux de réussite de Leigh Halfpenny n’est évidemment

par une distribution de probabilités Normale puisqu’il s’agit d’une
distribution binomiale. En revanche, comme ce taux de réussite est établi sur
la base de 102 tirs au but, on peut faire l’hypothèse, grâce au théorème
central limite, que la distribution d’échantillonnage des pourcentages suit
approximativement une distribution de probabilités Normale. Par
conséquent, au seuil de signi cation de 5%, la région de non-rejet se
présente comme suit :

ADVANCED STATISTICAL ANALYSIS 9

?

fi

fi
.

 est de la forme : R A = [−∞,1.64]

Le rapport critique est ici donnée par :

p − πH0
RC =
σp

avec :

πH0(1 − πH0)
σ=
n

le facteur de correction de l’écart-type (ici estimé) de la distribution

d’échantillonnage des moyennes étant de nouveau supposé égal à 1 car le
nombre de tirs au but dans la carrière de Leigh Halfpenny peut être supposé
in ni (mettre des tirs au but est le passe-temps favori de Leigh Halfpenny qui y
ses semaines et ses weekends). L’estimateur échantillonnal du pourcentage de
tirs au but réussi en une saison est égal à :
77
p= = 75.49 %
102
0.8(1 − 0.8)
Et. σp = = 3.96 %
102
75.49% − 80 %
Avec RC = ≈ − 1.14
3.96 %
RC = − 1.14 ∈ R A et on ne peut pas rejeter, au seuil de signi cation de
5%, sur la base des informations collectées sur la saison 2014-2015,
l’hypothèse selon laquelle Leigh Halfpenny est un buteur décisif

2. Si la réussite des autres buteurs reste la même, de combien (en points

de %) le taux de réussite de Leigh Halfpenny devrait-il augmenter au
minimum pour qu’il fasse partie de la catégorie des buteurs décisifs,
s’il tente le même nombre de coups de pied qu’en 2014-2015

Leigh Halfpenny n’a pas à améliorer sa réussite pour être considéré comme
un buteur décisif. Bien que n’ayant pas réussi effectivement 80% de ses tirs

ADVANCED STATISTICAL ANALYSIS 10

fi

fi
.

 au but au cours de la saison 2014-2015, l’erreur liée à l’échantillonnage est

telle que les 4,51% d’écart entre le taux de réussite effectif de Leigh
Halfpenny et celui qu’il aurait dû avoir ne sont pas suf samment grands
pour qu’il ne soit pas considéré comme un buteur décisif. En réalité, la
question aurait dû être : de combien le taux de réussite devrait-il diminuer
pour qu’il cesse d’être considéré comme un buteur décisif. Cela revient à se
poser la question de la valeur du rapport critique qui cesse d’appartenir à la
région de non-rejet de l’hypothèse nulle

RC ∉ R A → RC < − 1.64

Soit:
p − πH0
< − 1.64
σp

p − 80 %
< − 1.64
3.96 %
p < 80% − 1.64 × 3.96 %

P < 73.51 %

Il faudrait que son taux de réussite, sur une saison où il continuerait de tenter
102 tirs au but, tombe en dessous de 73,51% (soit moins de 75 tirs au but
réussis, ce qui représente 3 tirs au but réussis de moins qu’en 2014-2015)
pour que Leigh Halfpenny cesse d’être considéré comme un buteur décisif

Exercice 5

À Boston, le docteur Benjamin Spock, militant contre la guerre du Vietnam,

fut jugé pour incitation publique à la désertion. Le juge chargé de l’affaire
fut soupçonné de ne pas être équitable dans la sélection des jurés : parmi les
700 personnes qu’il avait désignées comme jurés lors de ses procès
précédents, 15% étaient des femmes alors que, sur l’ensemble de la ville,
29% des jurés éligibles étaient des femmes

Au seuil de signi cation de 5%, que peut-on dire de l’impartialité du juge

dans son choix des jurés

ADVANCED STATISTICAL ANALYSIS 11

fi
?

fi
.

 La partialité du juge s’exprime par le fait que la proportion de femmes

dans les jurys qu’il a convoqués doit être la même que la proportion
de femmes dans la population des personnes éligibles à des fonctions
de jurés. Il y a impartialité dès lors que cette proportion est inférieure
ou supérieure
Par conséquent, le test à réaliser prend la forme d’un test bilatéral :

{H1 π ≠ 29 %
H0 π = 29 %

La loi suivie par la proportion de femmes dans les jurys n’est bien
évidemment pas une distribution de probabilités Normale puisqu’il
s’agit d’une distribution binomiale. En revanche, comme ce taux de
féminisation est établi sur la base de 700 personnes, on peut faire
l’hypothèse, grâce au théorème central limite, que la distribution
d’échantillonnage des pourcentages suit approximativement une
distribution de probabilités Normale. Par conséquent, au seuil de
signi cation de 5%, la région de non-rejet est égale à
R A = [−1.96, + 1.96]
Le rapport critique est ici donnée par :
p − πH0
RC =
σp

avec :

πH0(1 − πH0)
σ=
n

le facteur de correction de l’écart-type (ici estimé) de la distribution

d’échantillonnage des moyennes étant de nouveau supposé égal à 1 car le
nombre d’individus dans la population considérée est supposé in ni

L’estimateur échantillonnal du taux de féminisation des jurys convoqués par le

juge est égal à p = 15 % :

0.15(1 − 0.15)
Et. σp = = 1.35 %
700
15% − 29 %
Avec RC = ≈ − 10.37
1.35 %

ADVANCED STATISTICAL ANALYSIS 12

fi
.

fi
.

 RC = − 10.37 ∉ R A et on rejette, au seuil de signi cation de 5%, sur la

base des informations collectées sur la saison 2014-2015, l’hypothèse selon
laquelle la part des femmes dans les jurys convoqués par le juge est égal à la
part des femmes dans la population des personnes éligibles à la fonction de
jurés

ADVANCED STATISTICAL ANALYSIS 13

.

fi